基于CT影像特征的非小細(xì)胞肺癌復(fù)發(fā)相關(guān)性因素研究

復(fù)旦大學(xué)附屬腫瘤醫(yī)院放療科，復(fù)旦大學(xué)上海醫(yī)學(xué)院腫瘤學(xué)系，上海200032

在過去50年中，肺癌是全球發(fā)病率和死亡率增長最快的惡性腫瘤，并穩(wěn)居中國惡性腫瘤之首。其中，非小細(xì)胞肺癌（non-small cell lung cancer，NSCLC）占肺癌患病總?cè)藬?shù)的80%～85%［1-2］。隨著科技的進(jìn)步和醫(yī)療的發(fā)展，NSCLC患者的存活狀況得到了一定程度的改善，但絕大多數(shù)患者初診時已屬Ⅲ～Ⅳ期，所以其5年生存率只有15%［3］。NSCLC的一個顯著的生物學(xué)特征是復(fù)發(fā)。約50%的NSCLC患者在術(shù)后5年內(nèi)發(fā)生腫瘤的復(fù)發(fā)，其中大部分在2年內(nèi)發(fā)生。由此可知，腫瘤復(fù)發(fā)是影響NSCLC患者預(yù)后的重要因素之一。因此，對影響腫瘤復(fù)發(fā)的因素進(jìn)行探究在臨床上具有重要的指導(dǎo)意義。

在現(xiàn)有的研究中，少有文獻(xiàn)表明在統(tǒng)計(jì)學(xué)分析得到相關(guān)性因素后會補(bǔ)充分類實(shí)驗(yàn)對結(jié)果進(jìn)行驗(yàn)證。故本文在提取圖像特征基礎(chǔ)上，采用嚴(yán)謹(jǐn)?shù)慕y(tǒng)計(jì)學(xué)分析方法得到NSCLC復(fù)發(fā)的相關(guān)性因素，進(jìn)而訓(xùn)練分類器對統(tǒng)計(jì)學(xué)分析實(shí)驗(yàn)結(jié)果進(jìn)行驗(yàn)證。

1 材料和方法

1.1 實(shí)驗(yàn)材料

本研究所用數(shù)據(jù)均來自癌癥影像檔案（The Cancer Imaging Archive，TCIA）公共訪問中的NSCLC Radiogenomics數(shù)據(jù)庫［4］。本實(shí)驗(yàn)使用數(shù)據(jù)庫中157例NSCLC患者的臨床數(shù)據(jù)、治療前的CT圖像數(shù)據(jù)以及治療后患者的復(fù)發(fā)情況等。其中，男性95例，女性62例；肺腺癌136例，肺鱗癌21例；復(fù)發(fā)患者30例，非復(fù)發(fā)患者127例。圖像數(shù)據(jù)包括157組CT序列圖像，每幅圖像的大小為512像素×512像素。實(shí)驗(yàn)平臺為64位Window 10操作系統(tǒng)，i7-4770-3.4 GHz CPU，16 GB內(nèi)存；使用的專業(yè)軟件是Matlab 2015a、SPSS 22.0以及Weka 3.8。

1.2 方法

首先，使用區(qū)域生長法、數(shù)學(xué)形態(tài)學(xué)方法以及數(shù)據(jù)庫中提供的圖像數(shù)據(jù)提取患者圖像的感興趣區(qū)（region of interest，ROI）。然后，提取ROI的直方圖統(tǒng)計(jì)特征、形態(tài)學(xué)特征和紋理特征。接著，特征數(shù)據(jù)進(jìn)行統(tǒng)計(jì)學(xué)分析得到NSCLC復(fù)發(fā)的顯著性相關(guān)因素。最后，使用合成少數(shù)過采樣技術(shù)（Synthetic Minority Over-sampling Technique，SMOTE）算法對數(shù)據(jù)進(jìn)行平衡化處理，進(jìn)而訓(xùn)練分類器對實(shí)驗(yàn)結(jié)果進(jìn)行驗(yàn)證。實(shí)驗(yàn)方法流程圖見圖1。

圖1 方法流程圖Fig.1 Method flow chart

1.2.1 特征提取

根據(jù)圖像特征定義及計(jì)算公式提取圖像特征，其中包括直方圖統(tǒng)計(jì)特征、形態(tài)學(xué)特征和紋理特征。本文提取上述3類特征共計(jì)65種，具體特征如下所示：

直方圖統(tǒng)計(jì)特征：Mean、Variance、Skewness、Kurtosis、Energy、Entropy。形態(tài)學(xué)特征：面積、離心率、緊湊度、矩形度、徑向均值，徑向方差等。紋理特征：GLCM紋理特征、NGTDM紋理特征、差分統(tǒng)計(jì)紋理特征、小波紋理特征等。

1.2.2 統(tǒng)計(jì)學(xué)處理

本文采用SPSS 22.0中的獨(dú)立樣本t檢驗(yàn)和logistic回歸模型對特征數(shù)據(jù)進(jìn)行分析。在獨(dú)立樣本t檢驗(yàn)中，將所有特征數(shù)據(jù)作為輸入變量進(jìn)行單因素分析，得到每種特征和患者復(fù)發(fā)情況的相關(guān)性。在得到單因素分析結(jié)果后，將與復(fù)發(fā)情況相關(guān)（P＜0.05）的特征數(shù)據(jù)作為logistic回歸分析的輸入?yún)f(xié)變量輸入到分析模型中，進(jìn)而得到與患者復(fù)發(fā)顯著相關(guān)（P＜0.05）的特征變量。

1.2.3 建立分類器

實(shí)驗(yàn)中包括復(fù)發(fā)組患者30例，非復(fù)發(fā)組患者127例。若用此不平衡數(shù)據(jù)來訓(xùn)練分類器，得到的分類器健壯性不高，泛化性不強(qiáng)，分類結(jié)果也不準(zhǔn)確。所以需要對特征數(shù)據(jù)進(jìn)行平衡化處理。經(jīng)過分析后，本文選用SMOTE算法對數(shù)據(jù)進(jìn)行平衡處理。SMOTE算法是由Chawla等［5］提出的一種利用原始樣本合成少數(shù)類樣本的過采樣方法。具體算法流程如下：

①求出少數(shù)類樣本中每個樣本的K個最鄰近樣本；

② 根據(jù)不同類樣本數(shù)量，確定采樣倍率N；

③隨機(jī)從少數(shù)類樣本中選擇N個樣本作為父代樣本（可重復(fù)選?。?；

④ 在每個父代樣本和某一最鄰近樣本中進(jìn)行插值，生成新的子代樣本。

數(shù)據(jù)平衡化處理后，采用Z-Score標(biāo)準(zhǔn)化方法對數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，該方法根據(jù)原始數(shù)據(jù)的標(biāo)準(zhǔn)差和平均值進(jìn)行標(biāo)準(zhǔn)化，經(jīng)過標(biāo)準(zhǔn)化后的數(shù)據(jù)符合標(biāo)準(zhǔn)正態(tài)分布，具體公式如式（1.1）所示（μ為數(shù)據(jù)組的平均值，σ為數(shù)據(jù)組的標(biāo)準(zhǔn)差）：

本實(shí)驗(yàn)使用隨機(jī)森林法、K最鄰近算法、支持向量機(jī)以及決策樹方法訓(xùn)練分類器對數(shù)據(jù)進(jìn)行分類實(shí)驗(yàn)。除此之外，為了充分利用有限的數(shù)據(jù)，本實(shí)驗(yàn)使用留一交叉驗(yàn)證的方式進(jìn)行分類實(shí)驗(yàn)。雖然該方法計(jì)算量較大，但是數(shù)據(jù)利用率高，更適合小樣本數(shù)據(jù)的分類實(shí)驗(yàn)。

2 結(jié)果

2.1 獨(dú)立樣本t檢驗(yàn)

根據(jù)患者在隨訪期間是否發(fā)生復(fù)發(fā)將其分為兩組（復(fù)發(fā)組30例，非復(fù)發(fā)組127例）。將65種特征數(shù)據(jù)和患者復(fù)發(fā)情況分別作為檢驗(yàn)變量和分組變量輸入到獨(dú)立樣本t檢驗(yàn)?zāi)Ｐ椭?，?jīng)分析后發(fā)現(xiàn)，Variance、Energy、Relative message、和熵以及Coarseness與患者的復(fù)發(fā)情況相關(guān)（P＜0.05，表1）。

表1 獨(dú)立樣本t檢驗(yàn)分析結(jié)果Tab.1 The results of independent sample t-test

2.2 Logistic回歸分析

將表2.1中的5種特征數(shù)據(jù)作為輸入?yún)f(xié)變量輸入到logistic回歸分析模型中，同時將患者復(fù)發(fā)情況數(shù)據(jù)作為分組變量輸入。分析后發(fā)現(xiàn)，和熵以及Energy兩個特征與NSCLC患者復(fù)發(fā)情況顯著相關(guān)（P＜0.05，表2）。

表2 Logistic回歸分析結(jié)果Tab.2 The results of logistic regression analysis

2.3 分類器檢測

將SMOTE中的采樣倍率N分別設(shè)置為0、2、3和4對數(shù)據(jù)進(jìn)行平衡化操作，以便分析不同采樣倍率對分類結(jié)果的影響。采用四種不同分類算法和留一交叉驗(yàn)證的方法訓(xùn)練分類器進(jìn)行分類實(shí)驗(yàn)，我們將根據(jù)準(zhǔn)確率、靈敏度、特異度和曲線下面積（area under curve，AUC）這4個指標(biāo)來評判分類結(jié)果的質(zhì)量，具體結(jié)果見表3～6。

表3 隨機(jī)森林分類結(jié)果Tab.3 The results of random forest classification

表4 KNN分類結(jié)果Tab.4 The results of KNN classification

表5 SVM分類結(jié)果Tab.5 The results of SVM classification

表6 決策樹分類結(jié)果Tab.6 The results of decision-tree classification

3 討 論

目前針對NSCLC復(fù)發(fā)相關(guān)因素的研究，主要從以下四個方面開展，即臨床病理學(xué)特征、腫瘤血液標(biāo)志物、特殊基因及圖像特征。Park等［6］通過對171例NSCLC患者的臨床病理學(xué)特征和復(fù)發(fā)情況進(jìn)行單、多因素分析后發(fā)現(xiàn)，T分期、N分期、病理學(xué)分期及淋巴管浸潤是患者術(shù)后復(fù)發(fā)的獨(dú)立危險因素（P＜0.05）。McFarlane等［7］結(jié)合t檢驗(yàn)、Kaplan-Meier生存分析及COX回歸模型對影響NSCLC患者復(fù)發(fā)因素進(jìn)行研究后發(fā)現(xiàn)，去泛素化酶-USP 17是患者復(fù)發(fā)的獨(dú)立危險因素。Perumal等［8］通過log-rank檢驗(yàn)和Kaplan-Meier檢驗(yàn)對NSCLC患者的基因信息進(jìn)行分析發(fā)現(xiàn)，染色體縮聚相關(guān)的基因與患者的不良預(yù)后及復(fù)發(fā)情況顯著相關(guān)。Ko等［9］提取并分析145例患者的18F-FDG PET及CT圖像形態(tài)學(xué)特征后發(fā)現(xiàn)，這兩類特征在早期NSCLC患者的復(fù)發(fā)情況預(yù)測方面可以起到關(guān)鍵作用。同時，部分結(jié)論也在Pyka等［10］的工作中得到驗(yàn)證。

直方圖統(tǒng)計(jì)特征是根據(jù)ROI區(qū)域的灰度分布直方圖提取的一系列特征，與非小細(xì)胞肺癌的預(yù)后有密切的聯(lián)系［11］。形態(tài)特征是一類較為直觀的特征。在臨床方面，醫(yī)師常根據(jù)腫瘤的分葉征、毛刺征、空洞征等形態(tài)學(xué)征象對患者的預(yù)后情況進(jìn)行判斷。同時，Ko等［9］的研究也證明了形態(tài)特征與NSCLC患者的復(fù)發(fā)預(yù)后具有較強(qiáng)的相關(guān)性。紋理特征包括物體表面的性質(zhì)和結(jié)構(gòu)，也在一定程度上反映物質(zhì)與周圍環(huán)境的關(guān)系［12］。有研究亦表明紋理特征與NSCLC患者的術(shù)后復(fù)發(fā)情況及存活時間等預(yù)后信息具有較強(qiáng)相關(guān)性［10］。

本文基于NSCLC患者的CT圖像特征設(shè)置回顧性分析實(shí)驗(yàn)來研究患者復(fù)發(fā)的顯著性相關(guān)因素，并用其訓(xùn)練分類器對患者的復(fù)發(fā)情況進(jìn)行預(yù)測來驗(yàn)證實(shí)驗(yàn)結(jié)果的正確性。本研究有如下創(chuàng)新點(diǎn)。首先，本研究提取了可量化的CT圖像特征作為研究對象，量化的圖像特征可以更加精準(zhǔn)有效地反映圖像特性。將這些量化特征輸入到統(tǒng)計(jì)學(xué)分析模型中，可以分析得到更加準(zhǔn)確的相關(guān)性因素。其次，可量化的圖像特征同樣有利于分類器的訓(xùn)練和預(yù)測分類。通過獨(dú)立樣本t檢驗(yàn)發(fā)現(xiàn)，Variance、Energy、Relative message、和熵及Coarseness與NSCLC患者的復(fù)發(fā)情況有關(guān)。同時，經(jīng)logistic回歸分析后發(fā)現(xiàn)，和熵及Energy與患者的復(fù)發(fā)情況顯著相關(guān)。

其次，本實(shí)驗(yàn)設(shè)置了分類器檢測實(shí)驗(yàn)對統(tǒng)計(jì)學(xué)分析結(jié)果的可靠性進(jìn)行驗(yàn)證。從分類器的分類結(jié)果來看，我們可以根據(jù)4個參考量的值來判斷分類結(jié)果的質(zhì)量，分別是準(zhǔn)確率，靈敏度，特異性和AUC，其中最高的準(zhǔn)確率為82.7%，最大AUC為0.891，說明通過統(tǒng)計(jì)學(xué)分析篩選出的顯著性相關(guān)因素可以較好地對患者復(fù)發(fā)情況進(jìn)行預(yù)測。

除此之外，我們采用了SMOTE的數(shù)據(jù)處理方法解決了數(shù)據(jù)不平衡的問題，訓(xùn)練了更為準(zhǔn)確、穩(wěn)定的分類器。當(dāng)N=0時，分類結(jié)果具有較高準(zhǔn)確率；但分類結(jié)果的特異性和AUC最大僅有0.133和0.581，這表明當(dāng)N=0時，分類器的分類結(jié)果并無實(shí)際意義。另外，表中數(shù)據(jù)顯示，當(dāng)N=2、3或4時，分類器的分類結(jié)果會更加精準(zhǔn)。其中，隨機(jī)森林算法和K最鄰近算法（K-nearest neighbor，KNN）算法分類結(jié)果顯示，當(dāng)N=4時，分類器具有更好的分類結(jié)果，分類準(zhǔn)確率為81.6%和82.7%；支持向量機(jī)（support vector machine，SVM）算法和決策樹算法分類結(jié)果顯示，當(dāng)N=3時，分類器具有更好的分類結(jié)果，分類準(zhǔn)確率為62.8%和76.5%。將4組分類結(jié)果進(jìn)行對比可以發(fā)現(xiàn)，隨機(jī)森林算法、KNN算法、決策樹算法建立的分類模型較SVM算法分類模型具有更好的分類效果，分類更為精準(zhǔn)，結(jié)果更加穩(wěn)定。綜合來看，隨機(jī)森林算法建立的分類模型具有最好的分類效果。

最后，為了高效地利用有限的數(shù)據(jù)，本實(shí)驗(yàn)采用留一交叉驗(yàn)證的方法完成分類實(shí)驗(yàn)。通過該方法，幾乎所有的實(shí)驗(yàn)數(shù)據(jù)都用來訓(xùn)練分類器，同時在實(shí)驗(yàn)過程中不存在隨機(jī)因素。因此，該方法能訓(xùn)練出更合適的分類器進(jìn)而得到更為準(zhǔn)確的實(shí)驗(yàn)結(jié)果。

雖然得到了較好的實(shí)驗(yàn)結(jié)果，但本研究依然存在一些不足。首先，本文為回顧性研究，僅使用了157例患者的臨床及影像學(xué)數(shù)據(jù)，所以實(shí)驗(yàn)結(jié)果的健壯性及穩(wěn)定性需要更多的回顧性及前瞻性研究來驗(yàn)證。其次，本研究使用的實(shí)驗(yàn)數(shù)據(jù)來自TCIA公共數(shù)據(jù)集，實(shí)驗(yàn)數(shù)據(jù)并沒有包含當(dāng)?shù)蒯t(yī)院的實(shí)驗(yàn)數(shù)據(jù)。在獲取了醫(yī)院的相關(guān)數(shù)據(jù)后，可以在下階段實(shí)驗(yàn)中將患者的血液標(biāo)志物和基因信息等因素和CT圖像特征相結(jié)合進(jìn)行更深層次的研究。除此之外，雖然我們提取了65種圖像特征，囊括了圖像的三類特征，但是特征的總量依然有待提高。最后，本研究只是一個技術(shù)發(fā)展性研究，其具體臨床價值以及如何輔助臨床醫(yī)師作出準(zhǔn)確的預(yù)后判斷還需要進(jìn)一步的實(shí)驗(yàn)證明。

通過統(tǒng)計(jì)學(xué)分析和分類實(shí)驗(yàn)的驗(yàn)證，Energy及和熵兩種圖像特征與NSCLC患者的復(fù)發(fā)情況顯著相關(guān)。